공정 페이지랭크를 위한 플러그인 프레임워크

초록

FairRARI는 페이지랭크(PageRank)의 변분 형태를 이용해 강하게 볼록한 최적화 문제로 변환하고, 그룹‑공정성 제약을 추가한 뒤 고정점 반복과 투영 연산만으로 원본 알고리즘과 동일한 시간 복잡도로 공정한 페이지랭크 벡터를 계산한다. 세 가지 새로운 공정성 기준을 제시하고, 선형 시간 투영 방법을 제공해 다중 그룹에도 적용 가능하도록 설계하였다. 실험 결과, 기존 방법보다 유틸리티와 공정성 모두에서 우수함을 보였다.

상세 분석

본 논문은 페이지랭크(PageRank)를 변분 최적화 문제로 재구성한 뒤, 그룹‑공정성 제약을 강하게 볼록한 집합으로 정의함으로써 “공정 페이지랭크”를 계산하는 통합 프레임워크인 FairRARI를 제안한다. 핵심 아이디어는 기존 페이지랭크가 최적화 목표
(f(x)=\frac{1}{2}(1-\gamma)x^{\top}\Pi^{-1}L_{rw}x+\frac{1}{2}\gamma|\Pi^{-1/2}(x-v)|^{2})
의 유일 최소점이라는 점을 이용하는 것이다. 이 목표는 강볼록성을 가지므로, 제약 집합 (X) (공정성 조건을 만족하는 폐곡선 집합)와 결합한 제약 최적화 문제 (\min_{x\in X} f(x))는 유일한 해를 가진다.

알고리즘은 두 단계 반복으로 구성된다. 첫 단계는 기존 페이지랭크와 동일하게 (y^{(t+1)}=(1-\gamma)Px^{(t)}+\gamma v) 를 수행해 “프리‑스텝”을 만든다. 두 번째 단계는 (y^{(t+1)}) 를 공정성 집합 (X) 로 투영하는 (\operatorname{Proj}_{X}(y^{(t+1)})) 를 적용한다. 투영 연산은 각 공정성 기준마다 선형 시간 알고리즘이 존재함을 증명했으며, 이는 전체 복잡도가 원본 페이지랭크와 동일함을 의미한다.

세 가지 공정성 기준은 (1) ϕ‑합 공정성(그룹 전체 PR 질량 비율을 지정), (2) 최소‑점수 공정성(각 그룹 내 최소 PR 점수를 보장), (3) 복합 기준(두 기준을 가중합)이다. 특히 ϕ‑합 공정성만을 사용하면 일부 그룹의 노드가 PR 점수 0이 되는 병목 현상이 발생할 수 있는데, 최소‑점수 공정성을 도입함으로써 이러한 현상을 완화하고 점수 분포의 균형을 유지한다.

이론적으로는 두 정리(수렴 정리와 고정점 정리)를 통해 (i) 제안된 반복이 기하급수적으로 수렴하고, (ii) 수렴점이 정확히 제약 최적화 문제의 해와 일치함을 보였다. 또한, 투영 단계가 사전 계산 없이도 수행 가능하므로, 실제 구현 시 스테이셔너리 분포 (\pi) 를 미리 구할 필요가 없다는 실용적 장점도 강조한다.

실험에서는 여러 실세계 그래프(예: POLBOOKS, citation 네트워크 등)를 사용해 ϕ‑합, 최소‑점수, 복합 기준 각각에 대해 FairRARI와 기존 포스트‑프로세싱, LFPR, FairWalk 등과 비교하였다. 결과는 (a) 목표 공정성 비율을 정확히 달성하고, (b) PR 점수의 전체 L2 손실 및 순위 기반 NDCG에서 기존 방법보다 우수함을 보여준다. 특히 다중 그룹(>2) 상황에서도 일관된 성능을 유지한다는 점이 주목할 만하다.

요약하면, FairRARI는 (1) 변분 기반 강볼록 최적화 모델, (2) 플러그‑인식 공정성 제약 집합, (3) 선형 시간 투영 알고리즘, (4) 이론적 수렴·최적성 보장을 모두 갖춘 최초의 통합 프레임워크라 할 수 있다. 이는 페이지랭크 기반 그래프 머신러닝 작업에서 공정성을 요구하는 다양한 응용 분야에 즉시 적용 가능하도록 만든다.